Hasil Pencarian  ::  Simpan CSV :: Kembali

"Data aktivitas pembelajaran seperti pada learning management system dapat digunakan untuk memantau kegiatan belajar. Penyajian data kegiatan pembelajaran secara real-time membantu pengambilan keputusan yang lebih cepat. Penelitian ini merancang dan mengimplementasikan sistem real-time change data capture menggunakan write-ahead logging dan distributed stream processing untuk learning analytics di Fakultas Ilmu Komputer Universitas Indonesia (Fasilkom UI). Data yang disajikan berasal dari learning management system dan sistem presensi berbasis smart card. Dengan real-time change data capture menggunakan Debezium, data dapat disajikan secara real-time dan ringan dalam membebani sistem sumber data. Sistem menggunakan Apache Kafka sebagai message queue dan Apache Flink untuk melakukan distributed stream processing. Data disajikan dalam dashboard visualisasi menggunakan Grafana. Aktivitas pembelajaran yang disajikan secara real-time pada dashboard dapat digunakan untuk melihat pola kegiatan belajar mahasiswa dan membantu pengambilan keputusan.

---

Learning activity data such as the learning management system can be used to monitor learning activities. Presentation of learning activity data in real time helps faster decision making. This research design and implement a real-time data capture change system using write-ahead logging and distributed stream processing for learning analytics at the Faculty of Computer Science, University of Indonesia (Fasilkom UI). Data comes from learning management systems and presence-based systems smart card. With real-time change data capture using Debezium, data can be presented in real-time while not overloading the data sources. The system uses Apache Kafka as a message queue and Apache Flink to do distributed stream processing. Data is presented in a visualization dashboard using Grafana. Learning activities data that are presented on the real-time dashboard can be used to see patterns of student learning activities and assist decision making."

"Data aktivitas pada Learning Management System (LMS) yang digunakan di Universitas XYZ mengalami pertumbuhan yang signifikan dan tidak terbendung. Hal ini menimbulkan tantangan dalam pemrosesan dan analisis data tersebut. Penelitian ini melakukan pemrosesan data aktivitas mahasiswa secara streaming dan analisis untuk menemukan pola aktivitas mahasiswa di LMS. Pola aktivitas yang diidentifikasi menggunakan snapshot pada periode minggu pertama perkuliahan, minggu Ujian Tengah Semester (UTS), minggu sebelum Ujian Akhir Semester (UAS), dan pada saat minggu UAS. Analisis dilakukan dengan algoritma data mining menggunakan teknik clustering dengan mengambil snapshot data pada mata kuliah Metodologi Penelitian dan Penulisan Ilmiah semester genap 2018/2019. Algoritma dari teknik clustering yang disimulasikan adalah K-Means dan agglomerative hierarchical clustering dengan menggunakan evaluasi silhouette index untuk menentukan pola dengan jumlah cluster yang sesuai. Dari eksperimen terhadap algoritma clustering, algoritma agglomerative hierarchical clustering menjadi algoritma terbaik dalam mengelompokan aktivitas mahasiswa pada periode minggu pertama, minggu UTS, minggu sebelum UAS, dan minggu UAS. Hasil clustering memperlihatkan bahwa terdapat perbedaan pola aktivitas antara periode minggu pertama, minggu UTS, minggu sebelum UAS, dan minggu UAS, di mana terjadinya peningkatan aktivitas dan terdapat perbedaan pola cluster menjelang minggu UAS. Secara umum, pola cluster terdiri dari mahasiswa yang tidak self-regulated dan mahasiswa yang self-regulated. Mahasiswa yang tidak self-regulated dapat dilakukan intervensi oleh dosen untuk dapat meningkatkan pembelajarannya.

---

Activity data on the Learning Management System (LMS) used at XYZ University is experiencing significant and continuous data growth. This poses challenges in processing and analyzing such data. This study performs streaming student activity data processing and analysis to find patterns of student activity in LMS. Activity patterns identified using snapshots in the period of the first week of lectures, the week of the mid-term exam, the week before the final exam, and during the final exam week. The analysis was carried out by data mining algorithms using clustering techniques using snapshot of Research Methodology and Scientific Writing course in the term of even semester 2018/2019. The algorithm of the simulated clustering technique is K-Means and agglomerative hierarchical clustering using silhouette index evaluation to determine the pattern with the optimal number of clusters. From experiments on the clustering algorithm, the hierarchical clustering algorithm became the best algorithm in clustering student activities in the first week of lectures, mid-term exam weeks, the week before final exam, and final exam weeks. The clustering results show that there are differences in activity patterns between the first week, mid-term exam week, the week before final exam, and final exam week, where there is an increase in activity and there are differences in cluster patterns before the exam week. In general, the pattern consists of non-self-regulated students and self-regulated students. Non-self-regulated students can be intervened by lecturers to improve their learning"

"Sistem pengenalan wajah (face recognition system) merupakan salah satu sistem yang dibangun berdasarkan pre-trained model. Sistem ini memanfaatkan teknik biometrik yang menggunakan wajah sebagai pengenalan atau identifikasi seseorang. Implementasi sistem pengenalan wajah dapat diaplikasikan dalam berbagai macam aplikasi seperti sistem absensi untuk mengecek kehadiran, sistem monitoring pengunjung di tempat wisata ataupun tempat-tempat publik, hingga dapat digunakan untuk mengenali tingkah laku seseorang untuk analisis-analisis yang dibutuhkan di berbagai bidang. Dalam penelitian ini, akan diimplementasikan sistem pengenalan wajah untuk sistem absensi menggunakan metode pembelajaran deep learning. Proses training data dan validasi hasil pengenalan wajah akan dibandingkan antara model CNN (Convolutional Neural Network) berarsitektur ResNet-50 dengan VGG16 yang telah dilatih sebelumnya menggunakan dataset Open Data Science (ODSC) untuk mendapatkan model perancangan sistem wajah terbaik. Simulasi real-time dilakukan dengan menggunakan model latih dengan validasi akurasi tertinggi sebesar 98.2%. Model latih yang digunakan dalam simulasi adalah ResNet-50 dengan dataset B sebagai data training serta learning rate sebesar 0.01. Hasil analisis menunjukkan bahwa proses training menggunakan model ResNet-50 jauh lebih ringan dan memberikan hasil model pelatihan dengan validasi akurasi yang lebih tinggi dibanding dengan model VGG16 yang membutuhkan banyak resource selama proses training berlangsung. Pengujian real-time yang dilakukan menunjukkan bahwa model ResNet-50 akan akurat jika memperhatikan beberapa kondisi yang diperlukan seperti jarak deteksi harus 50 hingga 100 cm dari kamera deteksi dan posisi wajah harus lurus menghadap kamera deteksi.

---

The face recognition system is a system that is built based on a pre-trained model. This system utilizes biometric techniques that use the face as an identification or authentication of a person. The facial recognition system can be applied in various applications such as attendance systems to check attendance, visitor monitoring systems at tourist attractions or public places, and to identify a person's behavior for the analyzes needed in various fields. In this study, a facial recognition system will be implemented for the attendance system using deep learning methods. To obtain the best system design, training, and validation of facial recognition results will be compared between the CNN (Convolutional Neural Network) model with the ResNet-50 and VGG16, which has been previously trained using the Open Data Science (ODSC) dataset. Real-time simulations were carried out using a training model with the highest validation accuracy of 98.2%. The training model used in the simulation is ResNet-50 with dataset B as training data and a learning rate of 0.01. The analysis results show that the training process using the ResNet-50 model is much lighter and provides results with higher accuracy validation than the VGG16 model, which requires a lot of resources during the training process. Real-time testing has shown that the ResNet-50 model will be accurate if it considers several conditions, such as the detection distance must be 50 to 100 cm from the detection camera, and the face position must be in a straight facing towards the detection camera."

"Praktik tax evasion merupakan praktik illegal dan termasuk pidana perpajakan. Sulitnya dilakukan pendeteksian dikarenakan sifatnya berdasarkan niatan buruk untuk tidak melaporkan penghasilan atau melebihkan beban pengeluaran. Salah satu solusinya adalah dengan menggunakan big data analytics. Oleh karena itu, penelitian ini akan membahas implementasi big data analytics untuk mengidentifikasi praktik tax evasion di Indonesia. Penelitian ini menggunakan pendekatan post-positivist dengan melihat implementasi langsung di DJP dengan melakukan wawancara mendalam dan melakukan uji pustaka. Hasil penelitian ini menunjukkan penggunaan data analytics dalam pemeriksaan pajak, atau biasa disebut sebagai audit analytics, telah dilakukan oleh DJP, salah satunya untuk mendeteksi praktik tax evasion. Metode analytics yang digunakan adalah predictive analytics untuk menguji tingkat kepatuhan wajib pajak. Kemudian, dilakukan prescriptive analytics untuk mendapatkan saran atas wajib pajak yang wajib dilakukan pemeriksaan. Terakhir, descriptive analytics yang berguna untuk menemukan bukti secara komprehensif atas kesalahan wajib pajak. Faktor pendukung diimplementasikan data analytics di DJP dikarenakan dominasi pelaporan digital dan tuntutan perkembangan zaman. Namun, terdapat faktor hambatan juga, yaitu sulitnya proses ETL, adanya ego sektoral antar lembaga, anggaran, dan SDM. Kedepannya, terdapat beberapa langkah strategis yang akan dikembangkan, yaitu optimalisasi kebijakan tax evasion dan tax avoidance, pengembangan sistem CoreTax, optimalisasi MoU atas data, dan improvisasi teknologi.

---

The practice of tax evasion is an illegal practice and is a tax crime. Detection is difficult because it is based on bad intentions not to report income or overestimate expenses. One solution is to use big data analytics. Therefore, this study will discuss the implementation of big data analytics to identify tax evasion practices in Indonesia. This study uses a post-positivist approach by looking at the direct implementation of the DGT by conducting in-depth interviews and literature review. The results of this study show that the use of data analytics in tax audits, or commonly referred to as audit analytics, has been carried out by the DGT, one of which is to detect tax evasion practices. The analytical method used is predictive analytics to test the level of taxpayer compliance. Then, prescriptive analytics is carried out to get advice on taxpayers who must be audited. Finally, descriptive analytics are useful for finding comprehensive evidence of taxpayer error. The supporting factor for implementing data analytics at DGT is due to the dominance of digital reporting and the demands of the times. However, there are also obstacle factors, namely the difficulty of the ETL process, the existence of sectoral egos between institutions, budgets, and human resources. Going forward, there are several strategic steps that will be developed, namely optimizing tax evasion and tax avoidance policies, developing the CoreTax system, optimizing the MoU on data, and improvising technology."

"Pandemi COVID-19 yang semakin mengkhawatirkan telah membatasi masyarakat dalam melakukan kontak fisik dengan benda-benda pada fasilitas umum. Berbagai sarana interaksi yang membutuhkan kontak fisik telah digantikan dengan alternatif yang mendukung interaksi secara contactless. Elevator merupakan salah satu fasilitas umum yang paling sering digunakan masyarakat, maka perlunya alternatif dari penggunaan tombol pada elevator untuk mengurangi kemungkinan tersebarnya virus. Perkembangan teknologi computer vision telah menghasilkan banyak implementasi yang bermanfaat, salah satu implementasi tersebut adalah pendeteksian objek. Pada penelitian ini, dilakukan perancangan dan implementasi dari deep learning untuk menghasilkan model pengenalan gestur tangan secara real-time yang ditujukan untuk diterapkan sebagai sarana interaksi dengan elevator. Metode transfer learning digunakan karena dapat menghasilkan model yang akurat tanpa perlu menggunakan dataset yang besar. Perancangan model dilakukan menggunakan Tensorflow Object Detection API dan SSD MobileNetV2 sebagai pre-trained model yang telah dilatih dengan dataset Microsoft COCO. Model yang telah dilatih dengan jumlah training steps sebesar 11000 menggunakan Dataset A pada nilai threshold 0.7 dapat mendeteksi 8 gestur tangan dengan nilai akurasi mencapai 90% berdasarkan uji coba real-time yang dilakukan.

---

The increasingly worrying COVID-19 pandemic has limited people from making physical contact with objects in public facilities. Various means of interaction that require physical contact have been replaced with alternatives that support contactless interaction. Elevators are one of the public facilities that are most often used by the public, so there is a need for alternatives to using buttons on elevators to reduce the possibility of spreading the virus. The development of computer vision technology has resulted in many useful implementations, one of which is object detection. In this research, the design and implementation of deep learning and artificial neural network is carried out to produce a real-time hand gesture recognition model that is intended to be applied as a means of interaction with elevators. The transfer learning method is used because it can produce accurate models without the need to use large datasets. The model design is carried out using the Tensorflow Object Detection API and SSD MobileNetV2 as a pre-trained model that has been trained with the Microsoft COCO dataset. The model that has been trained with the number of training steps of 11000 using the Dataset A at a threshold value of 0.7 can detect 8 hand gestures with an accuracy reaching up to 90% based on real-time trials carried out."

"ABSTRAKDi Indonesia, salah satu penyebab tingginya biaya BBM adalah adanya tindak pencuriandan penyelewengan BBM yang sering kali terjadi di tengah lautan. Hal ini bisa terjadikarena pada saat di tengah lautan, segala kegiatan kapal tersebut tidak bisa dipantau olehpusat operasional manajemen kapal. Selain upaya hukum, upaya pengawasan kapalmelalui teknologi terbaru juga terus dilakukan, salah satunya adalah teknologi VesselMonitoring System (VMS) berbasis Machine to machine (M2M). Perkembanganteknologi VMS dan telemetri telah memungkinkan pengawasan kondisi mesin danpemakaian BBM kapal yang sedang berlayar secara online dan real time. Denganmenambah perangkat pengukuran pemakaian bahan bakar tersebut, diharapkanmeningkatkan kecepatan koordinasi dan penanganan di lapangan saat terjadiketidakwajaran pemakaian BBM. Kecepatan dalam mengetahui adanya ketidakwajaranini sangat penting, karena proses pencurian minyak sering kali dilakukan dalam waktusingkat. Pencurian minyak dengan modus ilegal tapping di darat hanya memerlukanwaktu 15 menit untuk 2000 liter (2 ton) BBM, sementara di laut diperlukan sekitar 5 jamuntuk memindahkan 12 ton BBM, atau sekitar 2.4 ton per jam untuk sebuah kapal saja.Masalahnya untuk mengetahui ketidakwajaran tersebut masih tergantung pada analisatenaga ahli yang memerlukan waktu yang lama untuk melakukan analisa berbagaiparameter telemetri yang ada. Berdasarkan kondisi di atas, penelitian ini melakukananalisis statistik terhadap data telemetri terutama data pergerakan kapal dan aktivitasmesin untuk menentukan koefisien pergerakan kapal, lalu merancang sistempengklasifikasi kewajaran pemakaian BBM dengan metode Naive Bayes dan LogisticRegression. Metode ini dipilih karena bisa memberikan hasil yang baik untuk prediksidata-­data numerik maupun diskrit. Hasil penelitian ini menunjukkan bahwa data telemetridari sistem VMS dapat digunakan untuk mendeteksi adanya ketidakwajaran pemakaianBBM. Untuk kebutuhan klasifikasi kewajaran pemakaian BBM pada data telemetri kapal,algoritma pengklasifikasi Naive Bayes memiliki akurasi hingga 92% pada data sampeldan Logistic Regression mampu mendeteksi dengan akurasi hingga 96% pada datasampel.

---

ABSTRACTIn Indonesia, one of the causes of high fuel costs is the occurrence of theft and misuse offuel which often occurs in the middle of the ocean. This can happen because when in themiddle of the ocean, all the activities of the ship cannot be monitored by the shipmanagement operational center. In addition to legal efforts, efforts to monitor shipsthrough the latest technology are also being carried out, one of which is the Machine toMachine (M2M) Vessel Monitoring System (VMS) technology. The development ofVMS and telemetry technology has enabled monitoring of engine conditions and fuelconsumption of ships that are sailing online and real time. By adding the fuel consumptionmeasurement device, it is expected to increase the speed of coordination and handling inthe field when there is an irregularity in the use of fuel. Speed in knowing the existenceof this irregularity is very important, because the process of oil theft is often done in ashort time. Theft of oil by illegal tapping on land only takes 15 minutes for 2000 liters (2tons) of fuel, while at sea it takes around 5 hours to move 12 tons of fuel, or around 2.4tons per hour for a ship. The problem is to find out the irregularities that still depend onthe analysis of experts who need a long time to analyze various parameters of existingtelemetry. Based on the above conditions, this study conducted a statistical analysis oftelemetry data, especially ship movement data and machine activity to determine thecoefficient of ship movements, then designed the fuel usage irregularity classificationsystem with the Naive Bayes and Logistics Regression. This method was chosen becauseit can provide good results for predicting numerical and discrete data. The results of thisstudy indicate that telemetry data from the VMS system can be used to detect anyirregularities in using BBM. For the needs of the fairness classification of BBM usage onship telemetry data, the Naive Bayes classification algorithm has an accuracy of up to92% in sample data and Logistic Regression is able to detect with accuracy up to 96% insample data."

"Pesatnya perkembangan proses audit menggunakan pendekatan data analytics menawarkan manfaat kompetitif yang signifikan bagi organisasi yang dapat memanfaatkan lingkungan berbasis data, termasuk kantor akuntan publik. Namun pada saat ini belum banyak kantor akuntan publik yang memanfaatkan data analytics. Penelitian ini bertujuan untuk mengevaluasi kesiapan implementasi data analytics dalam audit pada KAP DNA, salah satu kantor akuntan publik terbesar di dunia yang berafiliasi internasional. KAP DNA telah menginisiasi penggunaan data analytics mulai dari tahun 2016. Proses penelitian ini dilakukan dengan metode kualitatif dimana narasumber dipilih berdasarkan snowball sampling sejumlah 5 narasumber yang terdiri dari manajer senior, manajer, dan senior auditor. Alat ukur evaluasi kesiapan menggunakan kriteria Acatech indeks maturitas industri milik Schuh et al. (2017) yang telah dikembangkan di penelitian Gürdür et al. (2019). Kriteria tersebut terdiri dari kesiapan sumber daya, kesiapan sistem informasi, kesiapan budaya, dan kesiapan organisasi. Berdasarkan hasil penelitian, KAP DNA memiliki tingkat kesiapan menengah secara umum. Hal ini disebabkan oleh tantangan seperti kurangnya kemampuan auditor, kekurangan sumber daya manusia tim khusus data analytics, dan perangkat yang belum memadai. KAP DNA direkomendasikan untuk mempertimbangkan menambah pelatihan terkait data analytics kepada auditor di saat low season, merekrut karyawan tambahan di tim khusus data analytics, dan menyediakan perangkat yang memadai.

---

The rapid development of the audit process using a data analytics approach offers significant competitive advantages for organizations that can take advantage of a data-driven environment, including public accounting firms. However, currently not many public accounting firms are utilizing data analytics. This study aims to evaluate the readiness to implement data analytics in audits at KAP DNA, one of the world's largest public accounting firms with international affiliations. KAP DNA has initiated the use of data analytics starting in 2016. This research process was carried out using a qualitative method where the informants were selected based on snowball sampling of 5 sources consisting of senior managers, managers, and senior auditors. The measuring instrument for readiness evaluation uses the Acatech industrial maturity index criteria belonging to Schuh et al. (2017) which has been developed in the research of Gürdür et al. (2019). The criteria consist of resource readiness, information system readiness, cultural readiness, and organizational readiness. Based on the research results, KAP DNA has a medium level of readiness in general. This is due to challenges such as lack of auditor capabilities, lack of human resources for dedicated data analytics teams, and inadequate tools. KAP DNA is recommended to consider adding training related to data analytics to auditors during low season, recruiting additional employees in a dedicated data analytics team, and providing adequate tools."

"This book presents a language integrated query framework for big data. The continuous, rapid growth of data information to volumes of up to terabytes (1,024 gigabytes) or petabytes (1,048,576 gigabytes) means that the need for a system to manage and query information from large scale data sources is becoming more urgent. Currently available frameworks and methodologies are limited in terms of efficiency and querying compatibility between data sources due to the differences in information storage structures. For this research, the authors designed and programmed a framework based on the fundamentals of language integrated query to query existing data sources without the process of data restructuring. A web portal for the framework was also built to enable users to query protein data from the Protein Data Bank (PDB) and implement it on Microsoft Azure, a cloud computing environment known for its reliability, vast computing resources and cost-effectiveness."

"Sistem deteksi korban SAR menggunakan UAV semakin mendapat perhatian penting dalam kegiatan SAR karena manfaatnya yang signi kan. UAV itu sendiri merupakan entitas Internet of Things (IoT). IoT pada umumnya memiliki resource komputasi yang terbatas, sehingga mengintegrasikan teknologi machine learning menjadi sebuah tantang- an. Untuk mengatasi masalah ini, pendekatan fog computing yang menempatkan re- source komputasi tambahan di dekat UAV dapat menjadi solusi yang potensial. Selain itu, model komunikasi publish/subscribe diperlukan untuk memungkinkan penggunaan lebih dari satu UAV. Dengan begitu, resource komputasi tambahan menjadi tidak terlalu dibu- tuhkan. Penelitian ini mengusulkan sistem deteksi korban SAR menggunakan UAV yang merupakan hasil adaptasi terhadap sistem FogVerse yang diusulkan oleh Basyar (2022). FogVerse adalah sistem smart-CCTV berbasis fog computing, menggunakan Kafka, se- buah alat yang menunjang model komunikasi publish/subscribe dan diintegrasikan de- ngan YOLOv5 untuk melakukan object detection. Penelitian ini juga bertujuan untuk mengukur kinerja sistem usulan dalam hal latency dan FPS pada konteks kegiatan SAR. Penelitian dilakukan secara quasi-eksperimental. Eksperimen dilakukan pada berbagai skenario, yaitu pengujian sistem secara lokal dan dengan bantuan cloud resource. Hasil eksperimen menunjukkan bahwa sistem yang diusulkan berhasil mengadaptasi FogVerse dengan latency kurang dari 1 detik pada skenario lokal dan kurang dari 5 detik pada ske- nario dengan bantuan cloud resource. Hasil tersebut lebih unggul dibandingkan dengan performa sistem FogVerse milik Basyar (2022) yang memiliki latency lebih dari 1 de- tik untuk skenario lokal. Untuk skenario dengan bantuan cloud resource, nilai latency FogVerse kurang lebih serupa, namun perlu diperhatikan bahwa FogVerse lebih banyak menggunakan wired communication, sedangkan sistem usulan penulis melibatkan lebih banyak wireless communication. Sehingga, performa sistem usulan memiliki latency lebih baik. Selain itu, sistem usulan memiliki nilai FPS lebih dari 9 FPS pada setiap skenario. Oleh karena itu, sistem usulan juga lebih baik daripada sistem deteksi korban SAR menggunakan UAV yang diusulkan oleh Martinez-Alpiste, Golcarenarenji, Wang, dan Alcaraz-Calero (2021), yang memiliki nilai FPS sebesar 6.8 FPS. Penelitian ini mem- berikan kontribusi dalam pengembangan sistem deteksi korban SAR menggunakan UAV yang e sien dan berpotensi membantu mewujudkan kegiatan SAR yang lebih baik.

---

SAR victim detection system using UAV has garnered signi cant attention due to its sub- stantial bene ts. UAV itself is an Internet of Things (IoT) entity. IoT often has limited computational resources, so integrating machine learning technologies become a chal- lenge. To address this issue, the fog computing approach, the approach in which addi- tional computational resources are placed near UAVs, emerges as a potential solution. Moreover, implementing the publish/subscribe communication model is necessary to en- able the use of multiple UAVs. By that, additional computation resources are not really needed. In this study, the author proposes an adaptation of the FogVerse system intro- duced by Basyar (2022) for the SAR victim detection system using UAV. FogVerse is a smart-CCTV system leveraging fog computing, utilizing Kafka, a tool that supports pub- lish/subscribe communication model and is integrated with YOLOv5 for object detec- tion. The research aims to evaluate the system’s performance in terms of latency and FPS within the context of SAR activities. The research was conducted in a quasi-experimental manner. Experiments are conducted with various scenarios, namely local testing and test- ing with cloud resource utilization. The experimental results demonstrate the successful adaptation of the proposed system, achieving latency of less than 1 second in the local scenario and less than 5 seconds in the cloud-assisted scenario. These results outperform Basyar’s (2022) FogVerse system, which exhibits latency exceeding 1 second in the local scenario. While the cloud-assisted scenario shows similar latency values for both Fog- Verse and the proposed system. It is noteworthy that the proposed system relies more on wireless communication, while FogVerse relies more on wired communication. So, the proposed system has better latency performance. Additionally, the proposed system achieves an FPS value of over 9 in all scenarios, surpassing the FPS of 6.8 exhibited by the SAR victim detection system using the UAV proposed by Martinez-Alpiste et al. (2021). This research contributes to the development of an ef cient SAR victim detection system using UAV and has the potential to enhance SAR activities."